論文の概要: Description-Driven Task-Oriented Dialog Modeling

• arxiv url: http://arxiv.org/abs/2201.08904v1
• Date: Fri, 21 Jan 2022 22:07:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-29 09:25:25.120064
• Title: Description-Driven Task-Oriented Dialog Modeling
• Title（参考訳）: 記述駆動タスク指向ダイアログモデリング
• Authors: Jeffrey Zhao, Raghav Gupta, Yuan Cao, Dian Yu, Mingqiu Wang, Harrison Lee, Abhinav Rastogi, Izhak Shafran, Yonghui Wu
• Abstract要約: 言語記述駆動システムでは,タスク仕様の理解が向上し,状態追跡性能が向上し,データ効率が向上し,目に見えないタスクへの効率的なゼロショット転送が可能であることを示す。 本稿では、スキーマ記述と"インデックスピッキング"機構に純粋に依存した、シンプルで効果的な記述駆動型ダイアログ状態追跡(D3ST)モデルを提案する。
• 参考スコア（独自算出の注目度）: 29.200221289845533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Task-oriented dialogue (TOD) systems are required to identify key information from conversations for the completion of given tasks. Such information is conventionally specified in terms of intents and slots contained in task-specific ontology or schemata. Since these schemata are designed by system developers, the naming convention for slots and intents is not uniform across tasks, and may not convey their semantics effectively. This can lead to models memorizing arbitrary patterns in data, resulting in suboptimal performance and generalization. In this paper, we propose that schemata should be modified by replacing names or notations entirely with natural language descriptions. We show that a language description-driven system exhibits better understanding of task specifications, higher performance on state tracking, improved data efficiency, and effective zero-shot transfer to unseen tasks. Following this paradigm, we present a simple yet effective Description-Driven Dialog State Tracking (D3ST) model, which relies purely on schema descriptions and an "index-picking" mechanism. We demonstrate the superiority in quality, data efficiency and robustness of our approach as measured on the MultiWOZ (Budzianowski et al.,2018), SGD (Rastogi et al., 2020), and the recent SGD-X (Lee et al., 2021) benchmarks.
• Abstract（参考訳）: タスク指向対話(TOD)システムは、与えられたタスクの完了のための会話から重要な情報を識別するために必要である。 このような情報は通常、タスク固有のオントロジーやスキーマに含まれる意図やスロットの観点から指定される。 これらのスキーマはシステム開発者によって設計されているため、スロットとインテントの命名規則はタスク間で均一ではなく、意味を効果的に伝えることができない。 これはデータ内の任意のパターンを記憶するモデルにつながり、最適化性能と一般化をもたらす。 本稿では、名前や表記を完全に自然言語記述に置き換えることで、スキーマを変更することを提案する。 言語記述駆動システムでは,タスク仕様の理解が向上し,状態追跡性能が向上し,データ効率が向上し,目に見えないタスクへの効率的なゼロショット転送が実現された。 このパラダイムに従い、純粋にスキーマ記述と"インデックスピッキング"メカニズムに依存する、シンプルで効果的な説明駆動ダイアログ状態追跡(d3st)モデルを提案する。 我々は,MultiWOZ (Budzianowski et al.,2018), SGD (Rastogi et al., 2020), and the recent SGD-X (Lee et al., 2021)ベンチマークで測定された,我々のアプローチの質,データ効率,堅牢性の優位性を実証した。

関連論文リスト

• Transforming Slot Schema Induction with Generative Dialogue State Inference [14.06505399101404]
  スロットインジェクション(SSI)は、ラベルのない対話データからスロットを自動的に誘導することを目的としている。 本手法は,対話状態を表すための高品質な候補情報を検出する。 MultiWOZデータセットとSGDデータセットの実験的比較により、生成対話状態推論(Generative Dialogue State Inference, GenDSI)が従来の最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-03T02:41:10Z)
• InstructTODS: Large Language Models for End-to-End Task-Oriented Dialogue Systems [60.53276524369498]
  大規模言語モデル(LLM)は自然言語処理(NLP)における多様なタスクに使用されている。 InstructTODSは、ゼロショットのタスク指向対話システムのための新しいフレームワークである。 InstructTODSは、ユーザの意図を動的クエリにシームレスに翻訳するプロキシの信念状態を生成する。
  論文  参考訳（メタデータ） (2023-10-13T06:36:26Z)
• Slot Induction via Pre-trained Language Model Probing and Multi-level Contrastive Learning [62.839109775887025]
  トークンレベルのスロットアノテーションの明示的な知識なしでスロット境界を誘導することを目的としたスロットインジェクション(SI)タスク。 PLMから抽出した教師なし意味知識を活用するために、教師なし事前学習言語モデル(PLM)探索とコントラスト学習機構を活用することを提案する。 提案手法は,2つのNLUベンチマークデータセット上でトークンレベルの教師付きモデルとのギャップを埋めることができ,SIタスクに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-08-09T05:08:57Z)
• Automated Few-shot Classification with Instruction-Finetuned Language Models [76.69064714392165]
  我々は、AuT-Fewが最先端の数ショット学習方法より優れていることを示す。 AuT-Few は RAFT few-shot ベンチマークにおいて,データセット間で最高のランク付け手法であることを示す。
  論文  参考訳（メタデータ） (2023-05-21T21:50:27Z)
• Zero-Shot Generalizable End-to-End Task-Oriented Dialog System using Context Summarization and Domain Schema [2.7178968279054936]
  タスク指向対話システムにおける最先端のアプローチは、条件付きシーケンス生成タスクとして問題を定式化する。 これは、新しいドメインまたはタスクごとにラベル付きトレーニングデータを必要とする。 本稿では,ZS-ToDという,Zero-Shotの汎用的なエンドツーエンドタスク指向ダイアログシステムについて紹介する。
  論文  参考訳（メタデータ） (2023-03-28T18:56:31Z)
• AnyTOD: A Programmable Task-Oriented Dialog System [26.387269876540348]
  本稿では,未確認タスクに対するゼロショット機能を備えたタスク指向対話(TOD)システムであるAnyTODを提案する。 我々はSTARおよびABCDベンチマークの最先端結果と、低リソース環境でのAnyTODの強力なゼロショット転送能力を実証する。
  論文  参考訳（メタデータ） (2022-12-20T01:23:01Z)
• Discover, Explanation, Improvement: An Automatic Slice Detection Framework for Natural Language Processing [72.14557106085284]
  スライス検出モデル(SDM)は、データポイントの低パフォーマンスなグループを自動的に識別する。 本稿では,NLPタスクの分類のための "Discover, Explain, improve (DEIM)" というベンチマークを提案する。 評価の結果,Edisaは情報的セマンティックな特徴を持つ誤り発生データポイントを正確に選択できることがわかった。
  論文  参考訳（メタデータ） (2022-11-08T19:00:00Z)
• A Multi-Task BERT Model for Schema-Guided Dialogue State Tracking [78.2700757742992]
  タスク指向対話システムは対話状態追跡器(DST)を用いて会話を完了させる。 最近の最先端のDST実装は、モデルの堅牢性を改善するために様々なサービスのスキーマに依存している。 本稿では,意図予測,要求スロット予測,スロットフィリングの3つのDSTタスクを協調的に解決する単一マルチタスクBERTモデルを提案する。
  論文  参考訳（メタデータ） (2022-07-02T13:27:59Z)
• Dialogue State Tracking with a Language Model using Schema-Driven Prompting [18.83983018421701]
  本稿では,スキーマ駆動型プロンプトを用いてタスク認識履歴エンコーディングを行う言語モデリング手法の新たなバリエーションを提案する。 我々の純生成システムは、MultiWOZ 2.2の最先端性能を実現し、MultiWOZ 2.1とM2Mの2つのベンチマークで競合性能を達成する。
  論文  参考訳（メタデータ） (2021-09-15T18:11:25Z)
• CINS: Comprehensive Instruction for Few-shot Learning in Task-oriented Dialog Systems [56.302581679816775]
  本稿では,タスク固有の命令でPLMを利用する包括的インストラクション(CINS)を提案する。 命令のスキーマ(定義、制約、プロンプト)と、ToDの3つの重要な下流タスクに対するカスタマイズされた実現を設計する。 これらのToDタスクに対して,小さな検証データを用いた現実的な数ショット学習シナリオで実験を行った。
  論文  参考訳（メタデータ） (2021-09-10T03:23:06Z)
• A Fast and Robust BERT-based Dialogue State Tracker for Schema-Guided Dialogue Dataset [8.990035371365408]
  本稿では,目標指向対話システムにおける状態追跡のための高速かつ堅牢なBERTベースモデルであるFastSGTを紹介する。 提案モデルは自然言語記述を含むGuided Dialogueデータセットのために設計されている。 本モデルでは,精度を著しく向上しつつ,計算およびメモリ消費の面で効率を保っている。
  論文  参考訳（メタデータ） (2020-08-27T18:51:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。